Satellite Sunroof: High-res Digital Surface Models and Roof Segmentation for Global Solar Mapping
Google（谷歌）；University of Toronto（多伦多大学）
本文提出利用卫星影像和深度学习模型，从低分辨率单一倾斜视图构建25cm数字表面模型和屋顶分割，以扩展Google Solar API的全球覆盖范围并提升太阳能潜力评估能力。
2024-08-29 cs.CV cs.LG
Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of Generative AI and State-of-the-Art Neural Networks
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）；Saudi Aramco EXPEC Advanced Research Center（沙特阿美EXPEC高级研究中心）
本研究融合扩散模型与U-Net、Attention-U-net及TransUNet，增强岩石图像分割，TransU-Net以最优精度和IoU减少专家数据依赖，推动数字岩石物理发展。
2023-11-10 cs.CV eess.IV
TSI-Net: A Timing Sequence Image Segmentation Network for Intracranial Artery Segmentation in Digital Subtraction Angiography
Beijing University of Posts and Telecommunications（北京邮电大学）；Beijing Tiantan Hospital, Capital Medical University（首都医科大学附属北京天坛医院）
提出TSI-Net网络，通过在编码器引入双向ConvGRU模块处理可变长度DSA序列，并加入敏感细节分支监督细小血管，在DIAS数据集上Sen指标达0.797，显著提升颅内动脉分割性能。
2023-09-07 cs.CV eess.IV
SAM-Path: A Segment Anything Model for Semantic Segmentation in Digital Pathology
Stony Brook University（石溪大学）；Snap Inc.（斯纳普公司）；CentraleSupélec（巴黎中央理工-高等电力学院）；University of Paris-Saclay（巴黎萨克雷大学）
针对SAM在数字病理语义分割中适用性不足的问题，研究提出SAM-Path框架，通过可训练类别提示适配语义分割并加入病理基础模型增强，在BCSS、CRAG数据集上实现显著性能提升。
2023-07-12 cs.CV eess.IV
HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images
National University of Sciences and Technology (NUST)（国立科技大学（NUST））
医学图像分割有助于计算机辅助诊断、手术和治疗。数字化组织切片图像用于分析和分割腺体、细胞核和其他生物标志物，这些生物标志物进一步用于计算机辅助医疗应用。为此，许多研究人员开发了不同的神经网络来对组织学图像进行分割，这些网络大多基于编码器-解码器架构，并且还利用复杂的注意力模块或Transformers。然而，这些网络在多个尺度上准确地捕获相关的局部和全局特征时不太准确，因此，我们提出了编码器-解码器网络，快速注意模块和多损失函数（二进制交叉熵（BCE）损失，焦点损失和骰子损失的组合）。我们在两个公开的医学图像分割数据集MoNuSeg和GlaS上评估了我们提出的网络的泛化能力，并在MoNuSeg数据集上提高了1.99%，在GlaS数据集上提高了7.15%，优于最先进的网络。实现代码可在以下链接获得：https://bit.ly/HistoSeg
2022-09-01 cs.CV eess.IV
Path-SAM2: Transfer SAM2 for digital pathology semantic segmentation
Nanjing University（南京大学）；BISTU（北京信息科技大学）
本文提出Path-SAM2，首次将SAM2适配到病理语义分割任务，通过融合UNI病理视觉编码器并引入可学习KAN分类模块替代手动提示，在三个腺瘤病理数据集上取得了最先进性能。
2024-09-04 cs.CV eess.IV
Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment
Healthcare Informatics, University of Illinois Springfield（医疗信息学，伊利诺伊大学斯普林菲尔德分校）
本文评估了SAM(ViT-B)在腹部CT脾脏分割中的鲁棒性，通过模拟临床真实医学影像域移位，发现其在中等CT域移位下表现稳定，支持其作为医学影像分割研究的基础基线。
2026-04-28 cs.CV eess.IV
Digital Rock Typing DRT Algorithm Formulation with Optimal Supervised Semantic Segmentation
3D地质模型中的每个网格块都需要一种岩石类型，以表示该块的所有物理和化学属性。划分岩石类型的属性是岩性、渗透率和毛管压力。科学家和工程师使用传统的实验室测量来确定这些特性，这些测量对样品嵌入破坏性方法或改变其一些特性（即，润湿性、渗透性和孔隙度），因为测量过程包括样品破碎、流体流动或流体饱和度。最近，数字岩石物理学（DRT）已经出现，以量化这些属性从微型计算机断层扫描（uCT）和磁共振成像（MRI）图像。然而，这些文献并没有尝试在完全数字化的背景下进行岩石分类。我们建议通过以下方式执行数字岩石分型（DRT）：（1）将最新的DRP进展集成到一个新的过程中，该过程支持数字岩石特性测定，同时;（2）将碳酸盐岩中最新的岩石分型方法数字化，以及（3）引入一个新的碳酸盐岩分型过程，该过程利用计算机视觉功能提供有关非均质碳酸盐岩纹理的更多见解。
2022-01-05 astro-ph.EP cs.CV cs.LG
Detecting Deepfake-Forged Contents with Separable Convolutional Neural Network and Image Segmentation
National Chung Hsing University（中兴大学）；Yango University（阳光学院）
人工智能技术的最新进展使数字图像和视频的伪造变得更加容易，识别这种伪造变得更加困难。这些言论如果恶意传播，可能对社会和政治稳定产生负面影响，并构成重大的道德和法律挑战。Deepfake是自动编码器的一种变体，它使用深度学习技术来识别和交换图片或电影中的人脸图像。Deepfake可能导致公众对数字图像和视频的信任受到侵蚀，这对政治和社会稳定产生深远影响。因此，这项研究提出了一种面部伪造检测的解决方案，以确定图片或电影是否曾经被Deepfake处理过。所提出的解决方案通过使用最近提出的可分离卷积神经网络（CNN）和图像分割来达到检测效率。此外，本研究还研究了不同的图像分割方法如何影响检测结果。最后，集成模型用于提高检测能力。实验结果表明，该方案具有良好的性能.
2019-12-21 cs.CV
PVBM: A Python Vasculature Biomarker Toolbox Based On Retinal Blood Vessel Segmentation
Technion-IIT（以色列理工学院）；KU Leuven（鲁汶大学）；University Hospitals UZ Leuven（鲁汶大学附属医院）
简介：血管可以通过数字眼底图像（DFI）进行无创可视化。几项研究表明，心血管风险与从DFI获得的血管特征之间存在关联。计算机视觉和图像分割的最新进展使得能够自动化DFI血管分割。需要一种可以从这些分割的DFI自动计算数字脉管系统生物标志物（VBM）的资源。方法：在本文中，我们介绍了一个Python Vasculature BioMarker工具箱，表示为PVBM。共实施了11个虚拟边界管理系统。特别是，我们引入新的算法方法来估计曲折度和分支角度。使用PVBM，并作为可用性的证明，我们分析了昏迷患者和健康对照之间的几何血管差异。结果如下：我们基于DFI分割建立了一个全自动的血管生物标志物工具箱，并提供了表征青光眼血管变化的可用性证明。对于小动脉和小静脉，除了迂曲度、小静脉奇点长度和小静脉分支角度之外，青光眼患者的所有生物标志物均显著低于健康对照。结论：我们已经自动化的计算11 VBMs从视网膜血管分割。PVBM工具箱在GNU GPL 3许可证下开源，可在physiozoo.com上获得（以下出版物）。
2022-07-31 cs.CV
Image Segmentation using Multi-Threshold technique by Histogram Sampling
Martin Luther Christian University（马丁·路德基督教大学）
数字图像的分割是图像处理或计算机视觉系统中必不可少的步骤之一。它有助于根据像素的强度水平将像素分成不同的区域。已经提出了大量的分割技术，其中一些使用复杂的计算操作。其中，最简单的程序，可以很容易地实现是阈值。在本文中，我们提出了一种独特的启发式方法，自动确定多级阈值的数字图像的直方图采样的图像分割。我们的方法强调选择一个山谷作为最佳阈值。我们证明了我们的方法优于流行的大津的方法在CPU的计算时间。我们证明了我们的方法优于流行的大津的方法在CPU的计算时间。我们在流行的图像处理基准测试中观察到了35.58倍的最大加速和10.21倍的最小加速。为了证明我们的方法在确定阈值的正确性，我们计算的PSNR，SSIM，和FSIM值进行比较，通过大津的方法获得的值。这种评估表明，我们的方法是可比的，更好地在许多情况下，相比，众所周知的大津的方法。
2019-09-11 cs.CV
PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification
Institute of Exact and Technological Sciences（精确与技术科学研究所）；Federal University of Viçosa（弗雷塔斯联邦大学）；School of Computer Science（计算机科学学院）；Federal University of Uberlândia（伯南布哥联邦大学）；Departament of Computing（计算系）；Federal University of São Carlos（萨o卡洛斯联邦大学）
PRISM通过核周环分割方法提取鲁棒的细胞质描述符，无需准确细胞边界检测，在白血病分类中达到98.46%的准确率和0.9937的精度召回AUC。
2026-05-13 cs.AI cs.CV
DSCA: A Digital Subtraction Angiography Sequence Dataset and Spatio-Temporal Model for Cerebral Artery Segmentation
Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所）；School of Cyber Science and Engineering, Ningbo University of Technology（宁波工程学院网络空间安全学院）；Shandong Artificial Intelligence Institute, Qilu University of Technology（齐鲁工业大学山东省人工智能研究院）；School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）；Erasmus MC, University Medical Center（伊拉斯姆斯大学医学中心）；Department of Biomedical Engineering, Eindhoven University of Technology（埃因霍温理工大学生物医学工程系）；First Affiliated Hospital of Zhengzhou University（郑州大学第一附属医院）
本文构建公开的 DSA 脑动脉像素级分割数据集 DSCA，并提出含 TemporalFormer 与 STF 模块的时空网络 DSANet，利用多帧时序信息提升细小血管分割性能，Dice 达 0.9033。
2025-02-20 cs.CV eess.IV
Hybrid Whale-Mud-Ring Optimization for Precise Color Skin Cancer Image Segmentation
University of Jijel（吉杰尔大学）；Research Center in Industrial Technologies (CRTI)（工业技术研究中心）；University of Dubai（迪拜大学）
本文提出混合鲸鱼优化与泥环算法的WMRA方法，通过气泡网攻击和泥环策略克服局部最优停滞，实现彩色皮肤癌图像的精确多级阈值分割，在适应度、PSNR和MSE上优于现有方法。
2023-11-22 cs.CV cs.CY
Multi-Resolution Networks for Semantic Segmentation in Whole Slide Images
ContextVision AB（ContextVision公司）
数字病理学提供了将全卷积网络（FCN）应用于任务的绝佳机会，例如全载玻片图像（WSI）的语义分割。然而，标准的FCN面临着从WSI的金字塔排列继承的多分辨率方面的挑战。因此，需要专门设计用于学习和汇总不同级别信息的网络。在本文中，我们提出了两种新的多分辨率网络的基础上流行的“U网”架构，这是一个基准数据集上进行评估的二进制语义分割在WSI。所提出的方法优于U-Net，表现出卓越的学习和泛化能力。
2018-07-25 cs.CV
Feature Fusion through Multitask CNN for Large-scale Remote Sensing Image Segmentation
Beijing University of Chemical Technology（北京化工大学）
近年来，全卷积网络（FCN）已被广泛应用于各种语义分割任务，包括多模态遥感图像。如何融合多模态数据以提高分割性能一直是研究的热点。本文提出了一种新的端到端全卷积神经网络，用于自然颜色、红外图像和数字表面模型（DSM）的语义分割。它基于修改后的DeepUNet，并以多任务方式执行分割。通道被聚类成组，并在不同的任务管道上处理。经过一系列的分割和融合，它们的共享特征和私有特征被成功地融合在一起。实验结果表明，该特征融合网络是有效的。该方法在ISPRS语义标注竞赛（2D）中取得了良好的效果。
2018-07-24 cs.CV
Brain Segmentation from k-space with End-to-end Recurrent Attention Network
Siemens Healthineers（西门子医疗）；Rutgers University（罗格斯大学）
医学图像分割的任务通常涉及图像重建步骤，以在任何分析之前将采集的原始数据转换为图像。然而，由于重建过程中的噪声，伪影和信息丢失几乎是不可避免的，这损害了分割的最终性能。我们提出了一种新的学习框架，直接从k空间数据进行磁共振脑图像分割。端到端的框架包括一个独特的任务驱动的注意力模块，该模块反复利用中间分割估计，以促进从原始数据中的图像域特征提取，从而紧密地桥接重建和分割任务。此外，为了解决手动标记的挑战，我们引入了一种新的工作流程，通过利用成像模态模拟器和数字幻影生成标记的训练数据进行分割。大量的实验结果表明，该方法优于几个国家的最先进的方法。
2019-07-21 cs.CV
Depth-Assisted ResiDualGAN for Cross-Domain Aerial Images Semantic Segmentation
Institute of Remote Sensing and Geographic Information System, Peking University（北京大学遥感与地理信息系统研究所）
无监督领域自适应（UDA）是一种最小化领域间隙的方法。生成方法是最小化空间图像的域间隙的常用方法，其提高下游任务的性能，例如，跨领域语义分割。对于航空影像，数字表面模型（DSM）通常在源域和目标域都可用。DSM中的深度信息为生成模型带来了外部信息。本文提出了一种深度辅助的ResidDualGAN（DRDG）算法，该算法利用深度监督损失（DSL）和深度周期一致性损失（DCCL）将深度信息引入到生成模型中。实验结果表明，DRDG在跨领域语义分割任务中达到了生成方法之间最先进的准确性。
2022-08-27 cs.CV
Jordan-Segmentable Masks: A Topology-Aware definition for characterizing Binary Image Segmentation
Department of Mathematics, University of Bari Aldo Moro（巴里阿尔多·莫罗大学数学系）
本文提出基于乔丹曲线定理的拓扑感知分割定义，通过同调理论和贝蒂数评估分割掩码的拓扑一致性，以改进传统评估指标在保持拓扑正确性方面的不足。
2026-01-19 cs.CV cs.NA math.AT
A new automatic approach to seed image analysis: From acquisition to segmentation
Escola Agrícola de Jundiaí (EAJ), Universidade Federal do Rio Grande do Norte (UFRN)（南大河州联邦大学）；Dipartimento di Matematica e Informatica, Università degli Studi di Cagliari（卡利亚里大学）；Hortus Botanicus Karalitanus (HBK), Università degli Studi di Cagliari（卡利亚里大学）
图像分析技术为基于种子形态和颜色特征的维管植物分类提供了新的工具，在系统研究方面做出了重要贡献。然而，为了提取形态和色度特征，有必要分割包含待分析样品的图像。这个阶段代表了图像处理中最具挑战性的步骤之一，因为很难从背景中分离均匀和同质的对象。在本文中，我们提出了一个新的，开源插件的种子样本的图像的自动分割。这个插件是用Java编写的，允许它与ImageJ开源软件一起工作。新插件在来自120种豆科植物的3，386个种子样本上进行了测试。使用平板扫描仪获取数字图像。为了测试这种方法在识别物体边缘并将其与背景分离方面的有效性，每个样本都使用四种不同的蓝色背景进行扫描，总共制作了480张数字图像。将新插件的性能与使用相同种子样本的基于双重图像采集（具有黑白背景）的方法进行比较，其中使用Core ImageJ插件手动分割图像。结果表明，新插件能够分割所有的数字图像，而不会产生任何目标检测错误。此外，新插件能够在平均0.02秒内分割图像，而手动方法的平均执行时间为63秒。这个新的开源插件被证明能够处理单个图像，并且在处理大量图像和各种形状时，在时间和分割方面非常高效。
2020-12-11 cs.CV
Efficient Semantic Understanding from Digital Foveation
Zurich University of Applied Sciences (ZHAW)（苏黎世应用科技大学）；ETH Zürich（苏黎世联邦理工学院）；Politecnico di Torino（都灵理工大学）；University of Tübingen（蒂宾根大学）；Czech Technical University（捷克技术大学）
该研究提出轻量主动视觉流水线，通过数字凹视实现高效语义理解，在ADE20K-Object数据集上仅用少量计算即可达到接近基线的准确率，为语义分割提供高效替代方案
2026-09-04 cs.CV
Sat2lod2: A Software For Automated Lod-2 Modeling From Satellite-Derived Orthophoto And Digital Surface Model
The Ohio State University（俄亥俄州立大学）
从卫星图像重建的正射影像和数字表面模型（DSM）推导LoD 2模型是一项具有挑战性的任务。现有的解决方案大多是需要复杂的逐步过程的系统方法，不仅包括启发式几何操作，而且包括高级步骤，例如基于机器学习的语义分割和建筑物检测。在本文中，我们描述了一个开源工具，称为SAT 2LOD 2，基于我们最近发表的工作的微小修改版本构建。SAT 2LoD 2是一个完全开源的基于GUI（图形用户界面）的软件，使用Python编写，以正射影像和DSM作为输入，并输出单个建筑模型，此外还可以采用道路网络shapefiles和自定义分类地图，以进一步改善重建结果。我们通过以下方式进一步提高了该方法的鲁棒性：1）将基于HRNetV 2的建筑物分割集成到我们的软件中; 2）实施了一种决策策略来识别复杂建筑物并直接生成网格，以避免从系统角度进行错误的LoD 2重建。该软件可以使用带有支持CUDA的图形卡的PC处理中等水平的数据（约5000*5000大小的正射影像和DSM）。此外，图形用户界面是自包含的，并存储中间处理结果，方便研究人员学习的过程中容易和重用的中间文件，根据需要。更新后的代码和软件可在此GitHub页面下获得：https://github.com/GDAOSU/LOD2BuildingModel。
2022-04-08 cs.CV
ExtremeMETA: High-speed Lightweight Image Segmentation Model by Remodeling Multi-channel Metamaterial Imagers
Vanderbilt University（范德堡大学）；Oak Ridge National Laboratory（橡树岭国家实验室）
本文提出大核轻量级分割模型ExtremeMETA，通过扩大卷积核和多路径处理增强首层能力，并应用模型压缩，在三个数据集上将mIoU从92.45提升至95.97，同时将计算量从461.07降至166.03 MMacs。
2024-05-27 cs.CV
Texture Fuzzy Segmentation using Skew Divergence Adaptive Affinity Functions
Federal University at Rio Grande do Norte（北里奥格兰德联邦大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Brazilian Federal Highway Police Station（巴西联邦公路警察局）；Universidad Nacional Autónoma de México（墨西哥国立自治大学）
数字图像分割是指对数字图像中的不同对象分配不同标签的过程，模糊分割算法已成功地用于从各种源中分割图像。然而，传统的模糊分割算法无法分割的对象，其特征在于纹理的模式不能成功地描述简单的统计计算在一个非常有限的区域。在本文中，我们提出了一个扩展的模糊分割算法，使用自适应纹理的亲和函数来执行二维图像上的对象的分割。自适应亲和度函数根据正在处理的纹理的特性，在计算种子拼写（空间元素）周围的纹理描述符时计算其适当的邻域大小。然后，该算法分割图像与每个对象的适当的邻域。我们进行了实验的马赛克图像，使用Brodatz数据库中的图像组成，并将我们的结果与最近出版的纹理分割算法，显示我们的方法的适用性。
2017-10-07 cs.AI cs.CV cs.GR
Semantic Segmentation of Colon Glands with Deep Convolutional Neural Networks and Total Variation Segmentation
Institute of Biophysics, Center for Physiological Medicine, Medical University of Graz（格拉茨医科大学医学生物物理研究所）；Institute of Neuroinformatics, University of Zurich and ETH Zurich（苏黎世大学与苏黎世联邦理工学院神经信息学研究所）；Institute for Computer Graphics and Vision, Graz University of Technology（格拉茨技术大学计算机图形与视觉研究所）；Ludwig Boltzmann Institute for Clinical Forensic Imaging（路德维希·玻尔兹曼临床法医影像研究所）；BioTechMed-Graz（格拉茨生物技术医学联盟）
组织病理学切片的分割是数字病理学中普遍存在的要求，并且由于生物组织的大的可变性，机器学习技术已经显示出优于标准图像处理方法的性能。作为GlaS@MICCAI2015结肠腺分割挑战的一部分，我们提出了一种基于学习的算法来分割良性和恶性结直肠癌组织中的腺体。根据苏木精-伊红染色协议对图像进行预处理，并将两个深度卷积神经网络（CNN）训练为像素分类器。然后使用基于加权总变差的图形-背景分割来正则化CNN预测，以产生最终分割结果。在两个测试集上，我们的方法实现了98%和94%的组织分类准确率，利用我们系统的固有能力来区分良性和恶性组织。
2017-10-10 cs.CV
River Ice Segmentation with Deep Learning
University of Alberta（阿尔伯塔大学）
本文研究了利用数字图像计算两种不同类型冰的表面冰浓度的问题。它提出了尝试解决这个问题的结果，使用几个国家的最先进的语义分割方法的基础上深卷积神经网络（CNN）。该任务提出了两个主要挑战-标记的训练数据的可用性非常有限，并且由于视觉上区分两种类型的冰的巨大困难而存在噪声标记，即使对于人类专家。这些结果被用来分析目前存在的一些最好的深度学习方法在多大程度上可以应对这些挑战。实验中使用的代码和数据是公开的，以促进在这一领域的进一步工作。
2019-06-12 cs.CV
Tool Wear Segmentation in Blanking Processes with Fully Convolutional Networks based Digital Image Processing
本文针对冲裁工艺中刀具磨损监测的局限，提出利用全卷积网络（FCN）对600 spm下获取的12.5万张高分辨率刀具图像进行语义分割，实现磨损表面的直接监测与量化。
2023-10-06 cs.CV eess.IV
Evaluating the Robustness of Semantic Segmentation for Autonomous Driving against Real-World Adversarial Patch Attacks
Scuola Superiore Sant’Anna（圣安娜高等研究院）
深度学习和卷积神经网络可以在计算机视觉任务中实现令人印象深刻的性能，例如目标检测和语义分割（SS）。然而，最近的研究表明，这种模型对对抗性扰动的明显弱点。相反，在现实世界的场景中，比如自动驾驶，应该更多地关注现实世界的对抗性示例（RWAE），它们是物理对象（例如，广告牌和可打印的补丁）被优化为对抗整个感知管道。本文通过测试数字和现实世界对抗补丁的效果，对流行的SS模型的鲁棒性进行了深入评估。这些补丁是精心制作的强大的攻击与一个新的损失函数丰富。首先，通过扩展期望转换（EOT）范式来应对SS，对Cityscapes数据集进行了调查。然后，提出了一种新的攻击优化，称为场景特定攻击。这种攻击利用CARLA驾驶模拟器来提高所提出的基于EOT的攻击到真实3D环境的可转移性。最后，在户外驾驶场景中测试了包含对抗补丁的印刷物理广告牌，以评估所研究的攻击在现实世界中的可行性。详尽的实验表明，提出的攻击公式优于以前的工作，为SS制作数字和现实世界的对抗补丁。与此同时，实验结果表明，这些攻击在现实世界中的效果明显较差，因此质疑对抗攻击与SS模型的实际相关性。
2021-08-13 cs.CV
Adaptive Weighting Multi-Field-of-View CNN for Semantic Segmentation in Pathology
Kyushu University（九州大学）；Kyoto University Hospital（京都大学医院）；National Institute of Informatics（国立信息学研究所）
数字组织病理学图像的自动分割是帮助病理学家诊断肿瘤和癌症亚型的重要任务。对于癌症亚型的病理诊断，病理学家通常改变全切片图像（WSI）查看器的放大率。一个关键的假设是放大率的重要性取决于输入图像的特征，例如癌症亚型。在本文中，我们提出了一种新的语义分割方法，称为自适应加权多视场-CNN（AWMF-CNN），它可以自适应地使用图像的图像特征与不同的放大率分割多个癌症亚型区域的输入图像。所提出的方法通过根据输入图像自适应地改变每个专家的权重，为不同放大率的图像聚合多个专家CNN。它利用不同放大倍数的图像中的信息，这些信息可能有助于识别亚型。它在实验中优于其他最先进的方法。
2019-04-12 cs.CV
CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement
Korea University（高丽大学）
本文提出一种交互式病理图像分割方法，通过点击引导注意力模块（CGAM）将交互式分割转化为优化问题，结合用户点击约束与特征图语义信息精修网络输出，避免对用户点击过拟合且模型大小与输入无关，性能优于现有最先进方法。
2023-07-03 cs.CV
HistoSegCap: Capsules for Weakly-Supervised Semantic Segmentation of Histological Tissue Type in Whole Slide Images
Concordia University（康考迪亚大学）；University of Yazd（亚兹德大学）；University of Toronto（多伦多大学）
本文提出基于胶囊网络的弱监督语义分割方法HistoSegCap，用于全幻灯片图像中组织学组织类型分析，在ADP数据集上的准确性和mIoU指标优于传统方法。
2024-02-16 cs.CV cs.LG eess.IV
Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images
Hospital Universitario Puerta del Mar（普埃尔塔德尔马大学医院）
本研究提出基于深度学习的实例分割架构，用于自动量化乳腺癌免疫组化图像中的细胞核和膜生物标志物，并开发web平台辅助标注与验证，为病理学家提供决策支持。
2023-11-22 cs.AI cs.CV eess.IV
Structure-Aware Image Segmentation with Homotopy Warping
Stony Brook University（石溪大学）
除了每像素的准确性之外，拓扑正确性对于具有精细尺度结构的图像的分割也是至关重要的，例如，卫星图像和生物医学图像。在本文中，通过利用数字拓扑理论，我们确定在图像中的像素是拓扑结构的关键。通过关注这些关键像素，我们提出了一种新的同伦扭曲损失来训练深度图像分割网络，以获得更好的拓扑准确性。为了有效地识别这些拓扑关键像素，我们提出了一种新的算法，利用距离变换。所提出的算法，以及损失函数，自然地推广到不同的拓扑结构，在2D和3D设置。所提出的损失函数有助于深度网络在拓扑感知度量方面实现更好的性能，优于最先进的结构/拓扑感知分割方法。
2022-10-13 cs.CG cs.CV
Efficient Connectivity-Preserving Instance Segmentation with Supervoxel-Based Loss Function
Allen Institute（艾伦研究所）
针对神经元等丝状结构实例分割中的拓扑错误难题，提出将简单点概念扩展至超体素的拓扑感知神经网络分割方法，并在多个数据集上验证了其低开销与高效性。
2025-03-04 cs.CV q-bio.NC
A new Level-set based Protocol for Accurate Bone Segmentation from CT Imaging
University of Minho（米尼奥大学）
在这项工作中，它提出了一个医学图像分割管道准确的骨骼分割CT成像。这是一个两步的方法，预分割步骤和分割细化步骤。首先，用户执行所需感兴趣区域的粗略分割。接下来，将全自动细化步骤应用于预分割数据。自动分割细化由图像去卷积、图像裁剪和插值等子步骤组成。然后，在图像的去卷积、裁剪和上采样版本上细化用户定义的预分割。该算法被应用于复合股骨的CT图像的分割，重建与不同的重建协议。分割结果根据使用坐标测量机Nikon Metris LK V20获得的黄金标准模型进行确认，该坐标测量机配备数字行扫描仪LC 60-D，可保证28 $μm$的准确度。所有测试数据集均获得了高亚像素精度模型。该算法是能够产生高质量的复合股骨的分割，无论使用的表面网格化策略。
2015-05-12 cs.CV physics.med-ph
GPU-Based Fuzzy C-Means Clustering Algorithm for Image Segmentation
Universiti Sains Malaysia（马来西亚理科大学）
提出了一种基于GPU的快速实用的模糊C均值（FCM）聚类图像分割算法。首先，进行了广泛的分析，以研究并行化算法中的图像像素之间的依赖性。提出的基于GPU的FCM已经在数字脑模拟数据集上进行了测试，以分割白质（WM），灰质（GM）和脑脊液（CSF）软组织区域。对于大小为1MB的图像数据集，顺序FCM的执行时间为519秒。而提出的基于GPU的FCM算法对于相似大小的图像数据集只需要2.33秒。在具有448个处理器的CUDA设备上，对于40 KB的数据大小，估计有245倍的加速。
2016-03-28 cs.CV cs.DC
Privacy-Preserving Operating Room Workflow Analysis using Digital Twins
Johns Hopkins University（约翰霍普金斯大学）；Johns Hopkins Medical Institutions（约翰霍普金斯医学机构）
针对手术室视频分析的隐私顾虑，提出两阶段流水线：先用视觉基础模型从RGB视频生成去标识化数字孪生，再用SafeOR双流模型基于分割掩码和深度图做事件检测，性能与原视频方法相当，可实现隐私保护与跨机构数据共享。
2025-07-03 cs.AI cs.CV cs.LG
Anisotropic Mesh Adaptation for Image Segmentation Based on Mumford-Shah Functional
University of Missouri-Kansas City（密苏里大学堪萨斯城分校）；Arizona State University（亚利桑那州立大学）
随着数字图像分辨率的显著提高，图像处理在精度和效率方面变得更具挑战性。在本文中，我们考虑通过求解偏微分方程（PDE）模型的基础上Mumford-Shah功能的图像分割。我们开发了一种新的算法，结合各向异性网格自适应图像表示和有限元法求解偏微分方程模型。与传统的有限差分算法相比，该算法在不降低图像质量的情况下，可以获得更快、更好的结果。我们还扩展了算法分割图像的多个区域。
2020-07-17 cs.CV cs.NA math.NA
A Survey on Instance Segmentation: State of the art
目标检测或定位是从粗略到精细数字图像推断的渐进步骤。它不仅提供了图像对象的类别，而且还提供了已分类的图像对象的位置。位置以边界框或质心的形式给出。语义分割通过预测输入图像中每个像素的标签来提供精细的推断。每个像素都根据其所包含的对象类进行标记。为了进一步发展，实例分割为属于同一类的对象的不同实例提供了不同的标签。因此，实例分割可以被定义为同时解决目标检测问题和语义分割问题的技术。在这篇关于实例分割的综述论文中，讨论了它的背景、问题、技术、演变、流行的数据集、相关的工作、最新的技术水平和未来的范围。本文的研究成果为实例分割领域的研究提供了有价值的参考。
2020-06-28 cs.CV cs.LG eess.IV
Comparison of Different Methods for Tissue Segmentation in Histopathological Whole-Slide Images
Radboud University Medical Center（拉德堡德大学医学中心）
组织分割是数字病理学中高效准确诊断的重要前提。然而，众所周知，例如由于组织类型，或者由于弱染色，全载玻片扫描仪可能无法检测所有组织区域，因为它们的组织检测算法不够鲁棒。在本文中，我们介绍了两种不同的卷积神经网络架构的整个幻灯片图像分割，准确地识别组织切片。我们还比较了算法的出版的传统方法。我们从三个实验室收集了54张不同染色和组织类型的全载玻片图像，以验证我们的算法。我们发现，虽然这两种方法没有显着差异，但它们优于传统方法（Jaccard指数为0.937和0.929 vs. 0.870，p <0.01）。
2017-04-03 cs.CV cs.LG
NINEPINS: Nuclei Instance Segmentation with Point Annotations
National Cheng Kung University（国立成功大学）；IBM Research Europe（IBM欧洲研究院）
基于深度学习的方法在数字病理学中越来越受欢迎，越来越多的出版物和挑战旨在简化系统和详尽分析组织切片的工作。这些方法通常实现非常高的精度，代价是需要大的注释数据集来进行训练。这一要求在医学领域尤其难以满足，因为专业知识是必不可少的。在本文中，我们专注于细胞核分割，这通常需要有经验的病理学家来注释的细胞核区域在千兆像素的组织学图像。我们提出了一种算法，例如分割，使用自动生成的点注释的伪标签分割，作为一种方法，以减少病理学家的负担。该方法利用生成的分割模板训练一个改进的HoVer-Net模型来实现实例分割。实验结果表明，所提出的方法是鲁棒的点注释的不准确性和与Hover-Net训练与充分注释的实例掩码的比较表明，在分割性能的下降并不总是意味着在更高阶的任务，如组织分类的退化。
2020-06-24 cs.CV cs.LG eess.IV
Ensembling Neural Networks for Digital Pathology Images Classification and Segmentation
Kharkevich Institute for Information Transmission Problems（信息传输问题研究所（Kharkevich研究所））；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
在过去的几年中，神经网络已被证明是一个强大的框架，各种图像分析问题。但是，某些应用程序域有特定的限制。值得注意的是，由于巨大的图像尺寸和相当有限数量的可用训练样本，数字病理学是这样的领域的示例。在本文中，我们采用最先进的卷积神经网络（CNN）架构的数字病理图像分析。我们建议对图像块进行分类以增加有效样本大小，然后应用集成技术来构建对原始图像的预测。为了验证所开发的方法，我们进行了实验与\textit{Breast Cancer Histology Challenge}数据集，并获得了90%的准确率为4类组织分类任务。
2018-02-03 cs.CV
Synthetic Point Cloud Generation for Class Segmentation Applications
M.E. Rinker, Sr. School of Construction Management, University of Florida（佛罗里达大学M.E.林克 Sr.建筑管理学院）；H. Wertheim College of Engineering, University of Florida（佛罗里达大学H.沃特海姆工程学院）
由于确定基础设施退化所需的程序繁琐，工业设施的维护是一个日益严重的危险。数字孪生有潜力通过监测基础设施的连续数字表示来改善维护。但是，映射现有几何体所需的时间使其无法使用。我们以前开发了类分割算法来自动化数字孪生，但是需要大量的注释点云。目前，不存在用于自动分割的合成数据生成。我们使用Helios++从3D模型中自动分割点云。我们的研究有可能为有效的工业阶级细分铺平道路。
2022-05-07 cs.CV
Methods for Segmentation and Classification of Digital Microscopy Tissue Images
Sejong University（世宗大学）；University of Warwick（华威大学）；The University of Sheffield（谢菲尔德大学）；Stony Brook University（石溪大学）；National Cancer Institute, National Institutes of Health（美国国立卫生研究院国家癌症研究所）
组织标本的高分辨率显微镜图像提供了有关正常和患病组织形态的详细信息。组织形态学的图像分析可以帮助癌症研究人员更好地理解癌症生物学。细胞核的分割和组织图像的分类是组织图像分析中的两个常见任务。由于组织形态的复杂性和肿瘤的异质性，开发准确有效的算法来完成这些任务是一个具有挑战性的问题。在本文中，我们提出了两个计算机算法，一个是为分割细胞核和其他整个幻灯片组织图像的分类。分割算法实现了多尺度深度残差聚集网络，以准确地分割核物质，然后将聚集的核分离成单个核。该分类算法首先通过深度学习方法进行块级分类，然后将块级统计和形态特征用作随机森林回归模型的输入，用于整个载玻片图像分类。在MICCAI 2017数字病理学挑战中对分割和分类算法进行了评价。分割算法的准确度得分为0.78。分类算法的准确度得分为0.81。
2018-11-16 cs.CV
On the Cohomology of 3D Digital Images
Universidad de Sevilla（塞维利亚大学）
提出了一种计算三维数字二值图像上同调环的方法。通过一个单纯复形K（I）拓扑地表示（直到图像的同构）一个三维数字二值图像$I$的上同调环.的有用性的简单描述的“数字”上同调环的三维数字二进制值的图片测试通过一个小程序可视化的方法的不同步骤。给出了拓扑细化、（余）同调生成元的代表（余）圈的可视化以及简单图上同调的杯积计算等方面的一些实例。
2011-05-23 cs.CV
Advanced Deep Convolutional Neural Network Approaches for Digital Pathology Image Analysis: a comprehensive evaluation with different use cases
University of Dayton（代顿大学）；Deep Lens Inc（Deep Lens公司）
深度学习（DL）方法在医学成像领域的不同模式中提供了最先进的性能，包括数字病理图像分析（DPIA）。在许多不同的DL方法中，深度卷积神经网络（DCNN）技术为分类、分割和检测任务提供了卓越的性能。DPIA问题中的大多数任务都可以通过分类、分割和检测方法来解决。此外，有时前处理和后处理方法用于解决某些特定类型的问题。最近，不同的DCNN模型，包括Inception残差递归CNN（IRR CNN）、密集连接递归卷积网络（DCRCN）、递归残差U-网络（R2 U-Net）和基于R2 U-Net的回归模型（UD-Net），已经提出并为不同的计算机视觉和医学图像分析任务提供了最先进的性能。然而，这些先进的DCNN模型尚未被探索用于解决与DPIA相关的不同问题。在这项研究中，我们应用这些DCNN技术来解决不同的DPIA问题，并在不同的公开基准数据集上评估数字病理学中的七个不同任务，包括淋巴瘤分类，浸润性导管癌（IDC）检测，细胞核分割，上皮分割，小管分割，淋巴细胞检测和有丝分裂检测。实验结果进行了评估与不同的性能指标，如灵敏度，特异性，准确性，F1评分，受试者工作特征（ROC）曲线，骰子系数（DC），和均方误差（MSE）。结果表明，与现有的机器学习和基于DCNN的方法相比，分类，分割和检测任务的性能优越。
2019-04-19 cs.CV
Advancing Brain Tumor Segmentation via Attention-based 3D U-Net Architecture and Digital Image Processing
School of Engineering and Applied Sciences（工程与应用科学学院）；Wireless Intelligent Networks Center (WINC)（无线智能网络中心）
针对标准U-Net脑肿瘤分割精度不足、高分辨率MRI训练计算量大且类别不平衡的问题，提出融合注意力机制的3D U-Net结合数字图像处理肿瘤检测算法，在BraTS 2020数据集上取得优于现有研究的性能，提升临床诊断可靠性。
2025-10-21 cs.CV
Hepatocellular Carcinoma Segmentation from Digital Subtraction Angiography Videos using Learnable Temporal Difference
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）；The First Affiliated Hospital of Jinan University（暨南大学附属第一医院）
数字减影血管造影（DSA）视频中肝癌（HCC）的自动分割可以帮助放射科医生在临床实践中有效地诊断HCC和准确地评估肿瘤。很少有研究调查肝癌分割DSA视频。由于成像中的运动伪影、肿瘤区域边界模糊以及与其他解剖组织的高度相似性，它具有很大的挑战性。在本文中，我们提出了肝癌分割DSA视频的问题，并建立了自己的DSA数据集。我们还提出了一种新的分割网络DSA-LTDNet，包括一个分割子网络，一个时间差异学习（TDL）模块和一个肝脏区域分割（LRS）子网络，以提供额外的指导。DSA-LTDNet更适合主动学习DSA视频中的潜在运动信息，并提高分割性能。所有的实验都是在我们自己收集的数据集上进行的。实验结果表明，与U-Net基线相比，DSA-LTDNet将DICE分数提高了近4%。
2021-09-17 cs.CV eess.IV
Automated soft tissue lesion detection and segmentation in digital mammography using a u-net deep learning network
Radboud University Medical Center（拉德堡德大学医学中心）；Delft University of Technology（代尔夫特理工大学）
计算机辅助检测或决策支持系统旨在通过帮助放射科医生评估数字乳腺X射线摄影（DM）检查来改善乳腺癌筛查计划。通常，这种方法分两步进行：选择恶性肿瘤的候选区域，然后分类为恶性或非恶性。在这项研究中，我们提出了一种基于深度学习的候选检测方法，以自动检测并额外分割DM中的软组织病变。从我们的机构档案中收集DM检查数据库（主要是双侧和双视图）。总共收集了使用来自三个不同供应商（General Electric、Siemens、Hologic）的系统采集的7196个DM检查（28294个DM图像），其中2883个包含经组织病理学验证的恶性病变。数据在考试级别上被随机分为训练（50%），验证（10%）和测试（40%）的深度神经网络与u-net架构。u-net对图像进行分类，但也提供病变分割。自由受试者工作特征（FROC）分析用于评估模型，图像和考试水平。在图像水平上，在每幅图像7.93个假阳性（FP）时实现了0.94的最大灵敏度。同样，每次检查在7.81 FP/图像下达到0.98的最大灵敏度。该方法可以作为一种具有较高准确性的候选选择模型，并具有额外的病变分割信息。
2018-03-08 cs.CV
Segment Anything Model (SAM) for Digital Pathology: Assess Zero-shot Segmentation on Whole Slide Imaging
Vanderbilt University（范德堡大学）；Vanderbilt University Medical Center（范德堡大学医学中心）；Veterans Affairs Tennessee Valley Healthcare System（退伍军人事务部田纳西谷医疗系统）
本研究评估了 SAM 模型在 WSI 上的零样本分割性能，发现其对大型连通物体效果显著，但对密集实例分割表现不佳，并指出未来少样本微调的潜力。
2023-04-09 cs.CV eess.IV
Geometric Flood Depth Estimation: Fusing Transformer-Based Segmentation with Digital Elevation Models
Lehigh University（莱维大学）
本文提出几何'水面高程'方法，通过融合基于变换器的分割模型与数字高程模型，从单目航空影像估计洪水深度，提升洪水范围和体积评估能力。
2026-05-08 cs.CV cs.LG
Sparse Coding Driven Deep Decision Tree Ensembles for Nuclear Segmentation in Digital Pathology Images
Nanjing University of Posts and Telecommunications（南京邮电大学）；Nanjing University of Science and Technology（南京理工大学）；Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education（高维信息智能感知与系统教育部重点实验室）
在本文中，我们提出了一种易于训练但功能强大的表示学习方法，其性能与数字病理图像分割任务中的深度神经网络具有高度竞争力。该方法被称为稀疏编码驱动的深度决策树集成，我们将其命名为ScD2TE，为表示学习提供了一个新的视角。我们探索了基于不可微的成对模块堆叠多个层的可能性，并生成了一个具有特征图重用和端到端密集学习特性的密集级联架构。在这种架构下，快速卷积稀疏编码用于从每层的输出中提取多层次特征。这样，通过学习一系列决策树集合，将丰富的图像外观模型与更多的上下文信息集成在一起。所有先前层的外观和高级上下文特征通过将它们连接到前馈作为输入而无缝组合，这反过来使后续层的输出更准确，并且整个模型对训练更有效。与深度神经网络相比，我们提出的ScD2TE不需要反向传播计算，并且依赖于更少的超参数。ScD2TE能够以逐层方式实现快速的端到端像素训练。我们通过对多疾病状态和多器官数据集进行评估来证明我们的分割技术的优越性，其中与几种最先进的深度学习方法（如卷积神经网络（CNN），全卷积网络（FCN）等）进行比较，获得了一致的更高性能。
2020-08-13 cs.CV
IRS: Incremental Relationship-guided Segmentation for Digital Pathology
Vanderbilt University（范德比尔特大学）；Vanderbilt University Medical Center（范德比尔特大学医学院）；NVIDIA Corp.（英伟达公司）；Weill Cornell Medicine（韦尔·科恩医学中心）
提出增量关系引导分割（IRS）学习方案，通过增量通用命题矩阵建模解剖关系，解决数字病理学中时间序列部分标注数据的全景分割问题并保持OOD持续学习能力。
2025-05-28 cs.CV eess.IV
Colorectal Cancer Tumor Grade Segmentation in Digital Histopathology Images: From Giga to Mini Challenge
Middle East Technical University（中东技术大学）；Helmholtz Munich（慕尼黑海德堡医学研究院）；Bio-totem Pte Ltd（Bio-totem有限公司）；LIRMM, équipe ICAR, Univ. Montpellier, CNRS, France（里尔姆研究所，蒙彼利埃大学，法国国家科学研究中心）；Univ. Nîmes, Place Gabriel Péri, France（尼姆大学，法国）；Cicat-Occitanie, Montpellier, France（Occitanie地区，蒙彼利埃，法国）；Thiqah Business Services Riyadh, Saudi Arabia（利雅得Thiqah商务服务，沙特阿拉伯）；Shanghai University Shanghai 200444, China（上海大学）；Nanjing Tech University, Nanjing, Jiangsu 211816, China（南京科技大学）
本研究为推动结直肠癌组织病理分级自动化，基于METU CCTGS数据集举办ICIP结直肠癌分级分割挑战赛，39支队伍中6支超越Swin Transformer基线，本文介绍挑战赛、数据集及顶尖方法。
2025-09-05 cs.CV
